Thực Hành NumPy

1arr = np.arange(1, 25)
2
3# (a) Reshape thành 4x6
4a = arr.reshape(4, 6)
5print(a)
6
7# (b) Reshape thành 2x3x4 (3D)
8b = arr.reshape(2, 3, 4)
9print(b.shape)  # (2, 3, 4)
10
11# (c) Reshape thành 6x4 rồi transpose thành 4x6
12c = arr.reshape(6, 4).T
13print(c.shape)  # (4, 6)
14
15# (d) -1 tự tính
16d = arr.reshape(3, -1)  # → (3, 8)
17print(d.shape)

1np.random.seed(42)
2arr = np.random.randint(1, 100, (5, 5))
3
4print(f"Array:\n{arr}")
5print(f"Shape: {arr.shape}")
6print(f"Ndim:  {arr.ndim}")
7print(f"Size:  {arr.size}")
8print(f"Dtype: {arr.dtype}")
9print(f"Bytes: {arr.nbytes}")
10print(f"Min:   {arr.min()} at index {arr.argmin()}")
11print(f"Max:   {arr.max()} at index {arr.argmax()}")

1np.random.seed(42)
2# 10 sinh viên × 4 môn (Math, Physics, Chemistry, Biology)
3scores = np.random.randint(40, 100, (10, 4))
4subjects = ["Math", "Physics", "Chemistry", "Biology"]
5
6# (a) Điểm Toán của sinh viên thứ 3 (index 2)
7print(f"SV3 Math: {scores[2, 0]}")
8
9# (b) Tất cả điểm Hóa học
10print(f"Chemistry: {scores[:, 2]}")
11
12# (c) Sinh viên 1-5, 2 môn đầu
13print(f"Top5, Math+Phys:\n{scores[:5, :2]}")
14
15# (d) Sinh viên có điểm Toán > 70
16mask = scores[:, 0] > 70
17print(f"Math > 70:\n{scores[mask]}")
18
19# (e) Số sinh viên đạt (≥ 50) tất cả các môn
20all_pass = np.all(scores >= 50, axis=1)
21print(f"Đạt tất cả: {np.sum(all_pass)}/{len(scores)} sinh viên")

1data = np.array([23, 45, -999, 67, 89, -999, 12, -999, 56, 78])
2
3# (a) Thay -999 bằng NaN
4clean = data.astype(float)
5clean[clean == -999] = np.nan
6print(f"Clean: {clean}")
7
8# (b) Đếm giá trị valid
9valid_count = np.sum(~np.isnan(clean))
10print(f"Valid: {valid_count}/{len(clean)}")
11
12# (c) Tính mean bỏ qua NaN
13print(f"Mean: {np.nanmean(clean):.1f}")
14
15# (d) Thay NaN bằng median
16median_val = np.nanmedian(clean)
17clean[np.isnan(clean)] = median_val
18print(f"Filled: {clean}")

1np.random.seed(42)
2scores = np.random.randint(0, 100, 20)
3
4# Phân loại: A (≥90), B (≥80), C (≥70), D (≥60), F (<60)
5grades = np.where(scores >= 90, "A",
6         np.where(scores >= 80, "B",
7         np.where(scores >= 70, "C",
8         np.where(scores >= 60, "D", "F"))))
9
10for s, g in zip(scores[:10], grades[:10]):
11    print(f"  {s} → {g}")
12
13# Đếm mỗi loại
14unique, counts = np.unique(grades, return_counts=True)
15for grade, count in zip(unique, counts):
16    print(f"  {grade}: {count} sinh viên")

1# Dữ liệu: 5 sinh viên × 3 features (Age, Income, Score)
2data = np.array([[22, 30000, 85],
3                 [35, 75000, 92],
4                 [28, 45000, 78],
5                 [45, 95000, 88],
6                 [19, 20000, 95]])
7
8# Min-Max: x_norm = (x - min) / (max - min)
9data_min = data.min(axis=0)   # [19, 20000, 78]
10data_max = data.max(axis=0)   # [45, 95000, 95]
11
12normalized = (data - data_min) / (data_max - data_min)  # Broadcasting!
13print(f"Normalized:\n{normalized.round(3)}")
14# Tất cả giá trị nằm trong [0, 1]

1# 4 điểm 2D
2points = np.array([[0, 0], [1, 0], [0, 1], [1, 1]])
3
4# Tính pairwise distance bằng broadcasting
5# Reshape để broadcast: (4,1,2) - (1,4,2) = (4,4,2)
6diff = points[:, np.newaxis, :] - points[np.newaxis, :, :]
7distances = np.sqrt(np.sum(diff**2, axis=2))
8
9print("Distance Matrix:")
10print(distances.round(3))
11# [[0.    1.    1.    1.414]
12#  [1.    0.    1.414 1.   ]
13#  [1.    1.414 0.    1.   ]
14#  [1.414 1.    1.    0.   ]]

1distances = np.array([5, 10, 20, 50, 100])          # km
2price_per_km = np.array([1.5, 2.0, 3.0, 5.0])       # $/km
3
4# Outer product
5fee_table = distances[:, np.newaxis] * price_per_km[np.newaxis, :]
6# hoặc: fee_table = np.outer(distances, price_per_km)
7
8print("Bảng phí giao hàng ($):")
9print(f"{'km':<6}", end="")
10for p in price_per_km:
11    print(f"  ${p}/km", end="")
12print()
13for i, d in enumerate(distances):
14    print(f"{d:<6}", end="")
15    for j in range(len(price_per_km)):
16        print(f"  ${fee_table[i,j]:>5.0f}", end="")
17    print()

1def estimate_pi(n_points=1_000_000):
2    """
3    Ý tưởng: Ném random điểm vào hình vuông [-1,1]x[-1,1].
4    Tỉ lệ điểm rơi trong hình tròn ≈ π/4
5    """
6    rng = np.random.default_rng(42)
7    
8    # Random x, y trong [-1, 1]
9    x = rng.uniform(-1, 1, n_points)
10    y = rng.uniform(-1, 1, n_points)
11    
12    # Kiểm tra trong hình tròn: x² + y² ≤ 1
13    inside = (x**2 + y**2) <= 1
14    
15    pi_estimate = 4 * np.sum(inside) / n_points
16    return pi_estimate
17
18for n in [1000, 10000, 100000, 1_000_000]:
19    pi = estimate_pi(n)
20    error = abs(pi - np.pi)
21    print(f"  n={n:>10,}: π ≈ {pi:.6f} (error: {error:.6f})")

1# Giả lập ảnh 100x100 RGB
2np.random.seed(42)
3image = np.random.randint(0, 256, (100, 100, 3), dtype=np.uint8)
4print(f"Image shape: {image.shape}")  # (100, 100, 3)
5
6# (a) Grayscale: Y = 0.299R + 0.587G + 0.114B
7weights = np.array([0.299, 0.587, 0.114])
8gray = np.dot(image, weights).astype(np.uint8)
9print(f"Grayscale shape: {gray.shape}")  # (100, 100)
10
11# (b) Brightness: tăng sáng 50 (clip ở 255)
12brighter = np.clip(image.astype(int) + 50, 0, 255).astype(np.uint8)
13
14# (c) Flip: lật ngang
15flipped = image[:, ::-1, :]
16
17# (d) Crop: lấy vùng trung tâm 50x50
18h, w = image.shape[:2]
19crop = image[h//4:3*h//4, w//4:3*w//4, :]
20print(f"Cropped shape: {crop.shape}")  # (50, 50, 3)
21
22# (e) Histogram
23for i, color in enumerate(["Red", "Green", "Blue"]):
24    channel = image[:, :, i]
25    print(f"  {color}: mean={channel.mean():.1f}, std={channel.std():.1f}")

1def moving_average(data, window):
2    """Tính simple moving average (SMA)"""
3    # Cách 1: cumsum trick
4    cumsum = np.cumsum(data)
5    cumsum = np.insert(cumsum, 0, 0)
6    return (cumsum[window:] - cumsum[:-window]) / window
7
8# Giả lập giá cổ phiếu 100 ngày
9np.random.seed(42)
10price = 100 + np.cumsum(np.random.randn(100) * 2)
11
12# Tính SMA
13sma_7 = moving_average(price, 7)
14sma_20 = moving_average(price, 20)
15
16print(f"Price: {len(price)} days, last 5: {price[-5:].round(2)}")
17print(f"SMA7:  {len(sma_7)} values, last 5: {sma_7[-5:].round(2)}")
18print(f"SMA20: {len(sma_20)} values, last 5: {sma_20[-5:].round(2)}")
19
20# Tín hiệu: SMA7 cắt SMA20 từ dưới lên → Buy signal
21# (Advanced trick dùng boolean indexing)